Машинне навчання-доповнений дизайн розриву регресії
Машинне навчання-доповнений дизайн розриву регресії (ML-RDD) поєднує логіку гострої ідентифікації класичного RDD — використовуючи відомий поріг призначення в змінній, що змінюється в часі — з гнучкими, адаптивними до даних методами машинного навчання для вибору смуги пропускання, оцінки умовної середньої та коригування коваріат. Мета полягає в отриманні точнішої та менш залежної від припущень оцінки локального середнього ефекту обробки на межі.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/uk/causal-inference/machine-learning-augmented-regression-discontinuity-design
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Нечіткий регресійний розрив (Fuzzy Regression Discontinuity Design)Причинно-наслідковий висновок↔ порівняти
- Машинне навчання з доповненням різниці в різницях (ML-DiD)Причинно-наслідковий висновок↔ порівняти
- Зіставлення за показником схильностіСтатистика досліджень↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →